conceptriemannian-geometryasymptotic-theoryholonomyparallel-transportconvergence-rate

切空间失配与和乐 bound (Tangent Space Mismatch and Holonomy Bound)

定义

黎曼因子模型 (黎曼因子模型 (Riemannian Factor Model)) 理论分析的核心困难与解法 (Huang-Rong Chen-Yaqing Chen 2026, summaries/202607-riemannian-factor-model-manifold-time-series/202607-riemannian-factor-model-manifold-time-series):

困难: 估计用经验 Fréchet 均值 \hat\mu, 总体模型定义在真 Fréchet 均值 \mu — 真载荷空间 \mathrm{Im}(A) \subset T_\mu\mathcal{M} 与估计载荷空间 \subset T_{\hat\mu}\mathcal{M} 住在不同切空间, 无法直接比较。此前非欧降维文献 (协变 Taylor 展开) 的工具在此不够用, 且这些文献假设流形维数固定、样本独立。

解法: 沿 \hat\mu \to \mu 的唯一测地线把估计量 parallel transport 到 T_\mu\mathcal{M}, 用 sine-theta 距离 (Davis-Kahan 的流形版) 度量子空间偏差:

d\big(\mathrm{Im}(B),\ \Phi_{\hat\mu,\mu}\,\mathrm{span}\{\hat{\mathbf{a}}_1,\dots,\hat{\mathbf{a}}_r\}\big) = \big|\sin\Theta(\cdot,\cdot)\big|_{\mathrm{op}}

对 transport 后的切向量偏差做 non-asymptotic bound 时, 引入 holonomy 论证 — 追踪切向量沿小测地三角形平行移动一周的变化。作者称此技术在既有流形数据统计文献中未出现过。

约束如何在速率里显形

  • 维数 p 的影响不进几何项、进浓度项: 假设 (P3) 的浓度不等式速率 c_n 吸收 p, 由序列依赖结构决定 — 几何衰减 α-mixing 可容 p = o(\sqrt{n/\log n}); 代数衰减则要求 p 固定。这是"依赖强度 ↔ 维数"的 trade-off (Example 1; 高维 VAR(1) 的 mixing 常数 H 随 p 多项式增长但只产生对数级影响)。
  • 短记忆 (MA(\infty) 系数 \sum k\alpha_{k,j}^2 = O(1)) + 强因子 (\kappa = \max_h \sigma_r(E(\mathbf{f}_{t-h}\otimes\mathbf{f}_t)) \asymp 1) 下, Fréchet 均值估计误差 (c_n^{1/2}) 与自协方差算子估计误差 (\epsilon_n) 都达 n^{-1/2} 且与 p 无关 → 载荷空间收敛维数无关 n^{-1/2}。
  • 截面曲率只需有界 (K_1 \le K \le K_0 < \infty) 且不假设完备 — 覆盖不完备但非负曲率的 Bures–Wasserstein 流形。

为什么对 quant 有意义

把"估计均值/结构 → 在错误的切空间里比较"这一几何陷阱显式化了: 任何在滚动窗口上估 Fréchet 均值再做切空间线性代数的方法 (如 BW 协方差预测、SPD 矩阵回归), 窗口间的载荷比较都需要 parallel transport 对齐, 否则偏差中混入纯几何项。holonomy bound 给出何时这项可忽略的定量条件。

关联